گزارشی جدید از OpenAI و گروهی از دانشمندان بیرونی نشان میدهد که GPT-5، آخرین مدل زبان بزرگ (LLM) شرکت، چگونه میتواند از سیاهچالهها تا سلولهای مبارزه با سرطان و معماهای ریاضی کمک کند.
هر فصل در این مقاله، مطالعات موردی ارائه میدهد: یک ریاضیدان یا فیزیکدان که در یک بنبست گیر کرده است، پزشکی که سعی میکند نتیجه آزمایشگاهی را تأیید کند. همه آنها از GPT-5 کمک میخواهند. گاهی اوقات LLM اشتباه میکند. گاهی اوقات مسیر سریعتری به نتیجهای از پیش شناخته شده پیدا میکند. اما در دیگر مواقع، با راهنمایی دقیق انسانها، به گسترش مرزهای آنچه قبلاً شناخته شده است کمک میکند.
در یک آزمایش مربوط به رفتار امواج در اطراف سیاهچالهها، GPT-5 با انجام محاسبات، نتایجی را بهطور مستقل تولید کرد که پیش از این ثابت شده بود درست هستند و نشان داد که قادر به انجام این سطح از محاسبه علمی است. در پروژه دیگری در زمینه همجوشی هستهای، GPT-5 مدلی ایجاد کرد که تحقیق را تسریع بخشید. «توانایی هوش مصنوعی در کاهش چشمگیر زمان مورد نیاز برای کدنویسی – فشردهسازی آنچه معمولاً روزها طول میکشد به چند دقیقه برای نویسنده – پیامدهای عظیمی برای شیوههای تحقیقاتی دارد.» فلور بروکگاردن، یک ستارهشناس در دانشگاه کالیفرنیا، سن دیگو، که در این مطالعه دخیل نبوده، گفت.
در مورد دیگر، محققان در حال مطالعه سلولهای ایمنی از GPT-5 برای تفسیر دادههای خود استفاده کردند و توضیحات آن با نتایجی که آزمایشگاه قبلاً تأیید کرده بود مطابقت داشت. «GPT-5 Pro میتواند به عنوان یک همکار مکانیکی واقعی در تحقیقات بیومدیکال عمل کند، استدلالهای ماههای طولانی را به چند دقیقه فشرده کند، فرضیههای غیر بدیهی را کشف کند و استراتژیهای قابل آزمایش مستقیم را شکل دهد.» دریای اونوتماز، پزشک مسئول این پروژه، در مقاله نوشت.
این مقاله همچنین چندین کشف ریاضی جدید که توسط GPT-5 پشتیبانی شدهاند را اعلام میکند. با راهنمایی کارشناسان انسانی، او یک مشکل طولانی مدت مطرحشده در سال 1992 توسط ریاضیدان پل اردوس را حل کرد. این همچنین یک قانون واضحتر نشاندهنده محدودیتهای نحوه تصمیمگیری سیستمهای کامپیوتری کشف کرد؛ یک قانون دیگر برای نحوه ظاهر شدن الگوهای کوچک خاص در نمودارهای شاخهدار تولید کرد و راهی برای شناسایی ساختارهای پنهان در یک شبکه هنگام رشد آن پیدا کرد. این اکتشافات اندک هستند اما به نظر میرسد واقعی باشند، و هر کدام توسط ریاضیدانان انسانی تأیید شدهاند.
«من چیزی به این اندازه چشمگیر [در ریاضی] از یک LLM ندیده بودم.» رایان فولی، یک اخترفیزیکدان در دانشگاه کالیفرنیا، سانتا کروز، که در این مطالعه دخیل نبوده، گفت. «حدس میزنم که LLMها نحوه ایجاد نظریهها، اعتبارسنجی و بهبود آنها را تغییر میدهند.» با این حال، او هشدار میدهد که ابزارهای هوش مصنوعی همچنان به راهنمایی قابل توجهی نیاز دارند: «انسانها خلاق هستند؛ هوش مصنوعی پاسخگو است. با این حال، نرخ کشف باید به سرعت افزایش یابد.»
پریروای امانابارولو، یک دانشمند کامپیوتر در دانشگاه کالیفرنیا، سن دیگو، که در این تحقیق دخیل نبوده، خاطرنشان میکند که کار منتشر شده بیشتر مجموعهای از مطالعات موردی است تا یک مقاله علمی زیرا جزئیات کافی برای تکرار آزمایشها را ارائه نمیدهد و تحلیلهای متقابل شامل رویکردهای مختلف را ارائه نمیکند. با وجود این محدودیتها، توانایی هوش مصنوعی در کمک به تحقیق «هنوز بسیار فراتر از آنچه حتی یک سال پیش امکانپذیر بود است، بنابراین نرخ پیشرفت بسیار زیاد است.» او میگوید: «این پتانسیل آیندهای را برای توانمندسازی دانشمندان در ترکیب دقیق نتایج قبلی مرتبط و کشف بینشهای جدید به روشهایی نوآورانه نشان میدهد.»
یکی از نقاط قوت GPT-5 توانایی آن در جستجوی حجم وسیعی از ادبیات علمی است. برای یک مسئله ریاضی که به عنوان نامحلول آنلاین فهرست شده بود، او راهحلی را در مقاله ای از دهه 1980 شناسایی کرد. در مورد دیگر، چند خطی را در یک مقاله آلمانی از دهه 1960 پیدا کرد که مشکلی را حل کرد. این به راحتی بر موانع زبانی و تفاوتهای سبک بین نگارش ریاضی قرن بیستمی و روشهای معاصر غلبه کرد.
همه اینها ممکن است GPT-5 را شبیه یک نابغه علمی نشان دهد، اما نویسندگان مقاله روشن میکنند که چنین نیست. در عوض، در دستان مناسب، او یک دستیار سریع و خستگیناپذیر است که تعداد غیرممکنی از مقالات را خوانده و هرگز مخالف بازنگری یک محاسبه نیست. با این حال، قضاوت انسانی ضروری است، آنها تأکید می کنند. محققان همچنین شاهد اشتباهات آن به طور مصمیمی بودند و میتوانست به نادرستی مراجع را بیان کند، مقالات غیر موجود را تخیل کند یا از اعتبار نویسندگان واقعاً وجودی غافل شود.
«تخصص انسانی همچنان حیاتی است.» بروکگاردن میگوید. اما هوش مصنوعی «میتواند وظایف متعددی را بر عهده بگیرد – جمعآوری دادهها، خلاصهسازی مقالات تحقیقاتی و حتی انجام محاسبات پیچیده – که قبلاً نیازمند صرف زمان و تلاش گسترده از سوی محققان بود.»
راههای متعددی که هوش مصنوعی تحقیق را شکل خواهد داد هنوز باید مشخص شود. مدلهای جدید هوش مصنوعی هر چند ماه یکبار منتشر میشوند. اگر چتباتهای عمومی که دو سال پیش با ریاضیات راهنمایی متوسط دست و پنجه نرم میکردند، اکنون میتوانند ساختارهای پنهان در امواج سیاهچاله را شناسایی کنند و رویکردهای جدیدی برای درمان سلولی پیشنهاد دهند، چه کسی میداند جانشینان آنها به چه دستاوردهایی خواهند رسید؟
این مطلب از منابع بینالمللی ترجمه و بازنویسی شده است.